网络技术与信息科学技术的飞速发展，产生了大量可以被挖掘的文本信息。而常见的分类算法往往对应着较高的计算复杂度，而且对有噪音的、有冗余的语料数据不能产生很好的分类效果。使用文本降维的方法不仅可以提升计算方面的速度，而且可以提高分类器的后续分类的效果，因此对文本进行一定的降维是有一定意义的。论文主要是对因子分析算法进行研究及实现，并提出改进因子旋转阈值的控制方法。因子分析作为一种较常见的用于统计分析的降维方法，目前已经受到了数据挖掘方面研究人员的重视，产生了许多改进的方法。该方法是基于矩阵的协方差进行转换，使用矩阵正交进行旋转，从而产生信息的压缩。本文还研究了常见的文本降维方法，讨论了中文文本分类的关键技术，包括了构建向量空间的基础、权重的计算、分类的方法等，还对中文文本的特点进行了分析，详细描述了基于文本降维的分类算法的实现过程。最后用分类对比实验对因子分析算法的各方面性能进行了评估，并给出了实验结果的分析。分类对比实验结果表明:进行因子旋转阈值的控制提高了分类的效果，而对于不同的分类算法，基于KNN的因子分析法进行分类的提升效果更明显，而基于SVM的因子分析法也有一定的提高效果，对于更稀疏的有噪音的矩阵，因子分析法更能提高分类的效果。